[發明專利]基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮圖像處理方法

在審

• 申請號: 201811431700.0
• 申請日: 2018-11-27
• 公開（公告）號: CN109727228A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 史力
• 申請（專利權）人: 常州市第二人民醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 薛海霞;董建林

1.基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌圖像處理方法，包括訓練階段和識別階段，其特征在于，

在訓練階段，利用帶標注的大數據病理圖像在近似條件分布最大化準則下訓練深度玻爾茲曼機模型參數：即采用吉布斯采樣法對對比散度和持續性對比散度進行迭代更新，在逐層訓練的基礎上，利用變分隨機最大似然法估計模型最優結構；

在識別階段，根據輸入的待區分盲數據，考慮圖像像素之間的協方差關系，評估計算深度玻爾茲曼機決策層和隱層權重矩陣的能量函數，從而獲得二值尖峰和實值平板隱藏單位的均勻場估計，得到后驗概率分布的近似推斷，并以最大化后驗概率為決策條件選擇分類結果，最終實現膀胱尿路上皮細微病變部位的識別。

2.根據權利要求1所述的基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌圖像處理方法，其特征在于，訓練階段具體包括以下步驟：

A01，構建具有一個可見層v和兩個隱藏層h⁽¹⁾,h⁽²⁾的深度玻爾茲曼機，其聯合概率由式(1)給出

Z(θ)是歸一化值；其中能量函數定義如式(2)

θ表示模型參數集合，W⁽¹⁾,W⁽²⁾表示網絡連接權重系數矩陣；隱藏層h⁽¹⁾,h⁽²⁾的激活函數分別由式(3)和式(4)給出

A02，對于自然圖像而言，許多信息內容嵌入于像素之間的協方差關系網中，而不是像素絕對值中，因此需要構建二值尖峰(h)和實值平板(s)隱藏單元的深度玻爾茲曼機；該學習機中相應的h_i確定權重矩陣W_:,i中該分量是否存在；如果存在的話，相應平板變量s_i確定該變量的強度；當尖峰變量激活時，相應的平板變量將沿著權重矩陣定義的軸輸入增加方差；定義能量函數E_ss(x,s,h)為

其中，b_i是h_i的偏置，Λ是觀測值x上的對角精度矩陣，α_i是實值平板變量s_i的標量精度參數，φ_i是定義在x上的h調制二次懲罰的非負對角矩陣，μ_i是平板變量s_i的均值參數；

利用能量函數的定義，通過邊緣化平板變量s，在給定二值尖峰變量h的條件下，觀察變量的條件概率分布由下式給出

其中，P(h)代表累加概率，Z是歸一化常數，

A03，構建預測分布概率(6)式的變分下界目標函數其表達式如下

其中，是包含所有隱層節點在內的矩陣；設步長ε為一個小正數，設定吉布斯步數k，其值足夠大，足以讓p(v,h⁽¹⁾,h⁽²⁾)對應的馬爾可夫鏈能跳出預燒區域；隨機初始化三個矩陣；利用變分隨機最大似然法對上述目標函數進行迭代優化，求得緊致下限滿足的模型參數。

3.根據權利要求1所述的基于尖峰平板式深度玻爾茲曼機分類的膀胱尿路上皮癌診斷方法，其特征在于，識別階段包含如下步驟：

B01，根據貝葉斯公式，預測概率分布滿足p(v|h⁽¹⁾,h⁽²⁾)～p(h⁽¹⁾,h⁽²⁾|v)，確定后驗概率分布即可根據最大模態值做出決策判斷；

B02，利用均勻場近似法估計后驗概率分布，設Q(h⁽¹⁾,h⁽²⁾|v)為p(h⁽¹⁾,h⁽²⁾|v)的近似函數，根據獨立性假設有

在KL散度的準則下比較Q函數和P函數的相似性，有

將Q函數作為Bernoulli分布的乘積進行參數化，即令于是可得

根據訓練階段得到的模型參數，在觀測數據驅動的條件下可得隱層變量更新規則如下

B03，在得到隱層變量的估計的基礎上，將后驗概率分布通過利用貝葉斯公式轉換為預測概率分布，評估概率有效區域進而獲取最大概率值對應的類別作為判決決策，根據圖像識別膀胱尿路上皮細微病變部位。